厚度感知的 E(3)-等变三维网格神经网络
计算机视觉与模式识别
2025-05-29 v1 人工智能
机器学习
摘要
基于网格的三维静态分析方法近期已成为传统计算数值求解器的高效替代方案，显著降低了各种基于物理的分析的计算成本和运行时间。然而，这些方法主要关注表面拓扑和几何，往往忽略了现实世界三维物体固有的厚度，而对立表面之间表现出高度的相关性和相似的行为。这种局限性源于这些表面的断开性质以及网格内部缺乏边缘连接。在这项工作中，我们提出了一个新颖的框架，即厚度感知的 E(3)-等变三维网格神经网络（T-EMNN），它在保持表面网格计算效率的同时，有效地整合了三维物体的厚度。此外，我们引入了数据驱动的坐标，这些坐标在编码空间信息的同时保持了 E(3)-等变或不变性质，确保了分析的一致性和鲁棒性。在现实世界工业数据集上的评估表明，T-EMNN 在准确预测节点级三维变形方面具有卓越的性能，能够有效捕捉厚度效应，同时保持计算效率。
引用
@article{arxiv.2505.21572,
title = {Thickness-aware E(3)-Equivariant 3D Mesh Neural Networks},
author = {Sungwon Kim and Namkyeong Lee and Yunyoung Doh and Seungmin Shin and Guimok Cho and Seung-Won Jeon and Sangkook Kim and Chanyoung Park},
journal= {arXiv preprint arXiv:2505.21572},
year = {2025}
}
备注
ICML 2025